Modelagem e otimização de sistemas dinâmicos biológicos derivados de modelos booleanos: estudo de estratégias de computação evolucionista para a identificação de parâmetros em sistemas derivados de modelos booleanos com cinéticas variadas.
Carregando...
Data
2026-06-19
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Centro Federal de Educação Tecnológica de Minas Gerais
Resumo
Redes de Regulação Gênica (GRNs) modelam as interações moleculares que controlam a expressão gênica, podendo ser representadas de forma discreta, por modelos Booleanos, ou contínua, por equações diferenciais ordinárias (EDOs). A conversão de modelos Booleanos em contínuos permite obter uma descrição quantitativa da dinâmica gênica, mas gera um modelo simbólico cujos coeficientes numéricos precisam ser determinados. Este trabalho analisa estratégias para essa conversão explorando três cinéticas, Hill, Michaelis-Menten e Goldbeter-Koshland, e propõe a otimização dos coeficientes por meio de Estratégia Evolutiva (EE) e Evolução Diferencial (ED). As abordagens foram validadas em dois problemas de referência: GRN5, um modelo de ritmo circadiano com cinco genes, e ABCD, uma rede de quatro genes com dinâmica amortecida. Os resultados indicam que a cinética de Hill produziu os melhores ajustes nos dois problemas, por incorporar o expoente de cooperatividade necessário para representar transições abruptas entre estados. A Michaelis-Menten revelou-se estruturalmente inadequada para as dinâmicas avaliadas, convergindo para patamares de erro elevados independentemente do algoritmo. Quanto aos otimizadores, a ED superou a EE em qualidade de ajuste e estabilidade entre execuções: no ABCD com cinética de Hill, a ED atingiu erro mínimo de 6,76 com desvio padrão nulo, enquanto a EE registrou mediana de 25,62. A combinação ED com cinética de Hill destacou-se como a mais eficaz, reunindo menor erro, maior consistência e custo computacional intermediário.
Descrição
Palavras-chave
Bioinformática, Regulação gênica, Computação evolutiva, Inteligência artificial, Modelos